用于高光谱目标检测的多目标多示例学习
图像与视频处理
2020-03-09 v3 机器学习
机器学习
摘要
在遥感中，获取或收集准确标注的大型数据集通常具有挑战性。这一困难通常源于若干问题，包括但不限于研究场地的空间面积与可达性、全球定位系统（GPS）中的误差，以及由图像空间分辨率引起的混合像元。我们提出一种具有两种变体的方法，从具有不精确标签的训练样本中估计多个目标光谱特征：多目标多示例自适应余弦估计器（Multi-Target MI-ACE）与多目标多示例光谱匹配滤波器（Multi-Target MI-SMF）。所提方法通过直接考虑多示例、不精确标注的数据集来解决上述问题。它们利用自适应余弦估计器（ACE）与光谱匹配滤波器（SMF）学习一个针对背景优化检测的目标光谱特征字典。实验使用模拟高光谱数据集、在南密西西比大学 Gulfpark 校区采集的 MUUFL Gulfport 高光谱数据集，以及在加利福尼亚州圣巴巴拉县采集的 AVIRIS 高光谱数据集对所提算法进行了测试。模拟与真实高光谱目标检测实验均表明，所提算法能有效地学习目标光谱特征并执行目标检测。
引用
@article{arxiv.1909.03316,
title = {Multi-Target Multiple Instance Learning for Hyperspectral Target Detection},
author = {Susan Meerdink and James Bocinsky and Alina Zare and Nicholas Kroeger and Connor McCurley and Daniel Shats and Paul Gader},
journal= {arXiv preprint arXiv:1909.03316},
year = {2020}
}